汽车的快速普及带来了日益严重的交通问题,交通安全成为人们最为关注的社会问题之一。在引起交通事故的众多因素中,人为因素是其中最主要的的一点。作为高级驾驶辅助系统的重要组成部分,车道偏离预警系统能够提前预判车辆是否即将发生车道偏离,并发出警示信号提醒驾驶员修正车辆行驶状态,可以有效避免因无意识的车道偏离而引发的交通事故。本文以建立车道偏离预警系统为目标,对车道线检测、车道线跟踪与车道偏离预警模型做了深入的研究,建立基于深度学习的车道线检测模型,并在此基础上实现车道线跟踪和车道偏离预警。论文主要研究内容与成果如下:(1)建立了基于多任务卷积神经网络的车道线检测模型,设计了扩张卷积金字塔网络,提出“锚点栅格”思想将车道线检测转化为车道线类型分类与关键点坐标回归的多任务模型,实现端到端的车道线检测。同时建立了多场景的车道线检测数据集,并设计多项评估指标对模型进行测试与分析。(2)通过对车载相机进行内外参数的标定以及逆透视变换处理,将透视图像中的车道线转换到逆透视图像下,并对车道线标记点集进行二次多项式拟合,以简化车道线模型。(3)采用Kalman滤波器对逆透视图像下的车道线拟合曲线进行跟踪,使连续帧之间车道线保持连贯性,减少因少数帧的车道线误检或漏检给系统产生干扰。(4)提出一种基于动态偏离阈值的预警模型,根据车辆偏航角动态调整车辆横向偏离阈值,由车辆横向偏离量和偏离阈值综合判定车辆偏离情况,结合偏离帧计数器最终判定是否发出偏离警报。(5)搭建了完整的车道偏离预警系统,并在Ubuntu系统中实现预警系统的完整功能。最后在PreScan仿真软件建立的仿真驾驶环境和实车环境下对系统进行了测试分析。测试结果表明,预警系统具有良好的准确性和鲁棒性,同时能够满足系统的实时性要求。